Антипаттерны AI-проектов

Чему вы научитесь

• Распознавать 10 типичных антипаттернов AI-проектов
• Понимать, почему 70–80% AI-инициатив underperform
• Применять BCG-формулу 10-20-70 к своему проекту
• Использовать чек-лист «Не делайте так» для профилактики

Главная цифра

70–80% AI-инициатив в компаниях fail или underperform. Причина — не технология. В 80% случаев это управленческие ошибки.

Антипаттерн 1: «AI решит всё»

Признак: проект начат с технологии, а не с проблемы.

Реальный пример — IBM Watson for Oncology ($4 млрд): IBM вложила ~$4 млрд в Watson Health — AI для рекомендаций по лечению рака. Система обучалась на кейсах одного центра (Memorial Sloan Kettering), а не на реальных данных пациентов. Результат: в разных клиниках от 7% до 67% рекомендаций расходились с решениями врачей. На тестовых данных Watson рекомендовал препарат с FDA-предупреждением о кровотечении пациенту с тяжёлым кровотечением (синтетический тест-кейс, не реальный пациент). 12+ партнёрских клиник разорвали контракт к 2018 году. В 2022 IBM продала подразделение Watson Health. Источник: henricodolfing.com, RAND Research Report RRA2680-1, 2024.

Урок: бюджет не заменяет понимание проблемы. $4 млрд не помогли, потому что начали с технологии («Watson — мощный AI»), а не с задачи («как помочь онкологам»).

Как избежать: всегда начинать с аудита процесса → найти узкие места → потом выбирать технологию.

Антипаттерн 2: Слишком амбициозный старт

Признак: scope creep каждую неделю, timeline 12 мес → 24 мес.

Реальный пример — McDonald’s AI Drive-Thru (3 года, закрыт): McDonald’s совместно с IBM три года (2021–2024) пытались автоматизировать голосовой приём заказов на 100+ точках. Точность распознавания застряла на уровне ~80% — недостаточно для клиентского сервиса. Вирусные видео в соцсетях: AI добавил 260 куриных наггетсов в один заказ. Франчайзи жаловались на высокие расходы и медленный прогресс. В июне 2024 контракт расторгнут, система отключена. Источник: restaurantbusinessonline.com, CNBC, июнь 2024.

Урок: 80% точности кажется «почти готово», но для клиентского сервиса это катастрофа. 3 года без чёткой траектории улучшения — проект нужно было закрыть раньше.

Как избежать: правило 80/20 — выбрать 20% процесса, который даёт 80% ценности. Если за 3–6 месяцев нет прогресса к целевым метрикам — пересмотреть или закрыть.

Антипаттерн 3: Нет baseline-метрик

Признак: «Лучше ли стало?» — «Не знаем, не измеряли до».

Реальный пример: retail-компания (200 магазинов) внедрила AI для прогнозирования спроса. Через 3 месяца менеджмент спрашивает: «Это работает?» Ответ: «Мы не знаем». Бюджет на AI урезан на 60%.

Как избежать: измерить baseline до начала проекта. Документировать время, качество, стоимость, удовлетворённость.

Антипаттерн 4: Игнорирование Change Management

Признак: система работает, но adoption 10%.

Реальный пример — Klarna: разворот на 180 градусов: В феврале 2024 Klarna (финтех, Швеция) заменила работу, эквивалентную 700 аутсорсинговым операторам, AI-ботом на GPT-4. Результат казался блестящим: время решения с 11 до 2 минут, 66% чатов обрабатывает AI (2.3M за первый месяц), проекция экономии $40M/год. Но к середине 2025 компания начала нанимать людей обратно. CEO Себастьян Сиемятковски признал: «Мы слишком сфокусировались на эффективности и стоимости. Качество упало, и это неустойчиво.» По опросу Orgvue/Forrester, 55% компаний, поспешивших заменить людей AI, сожалеют об этом. Источник: klarna.com, fortune.com, май 2025.

Урок: даже если AI технически справляется, резкая замена людей без гибридной модели ведёт к падению качества. Klarna перешла на модель «Uber»: AI — базовые запросы, люди — сложные случаи.

Как избежать: модуль 5.5 полностью посвящён этому. Информирование → обучение → пилот с людьми → постоянная поддержка. Никогда не заменять 100% людей сразу.

Антипаттерн 5: Vendor Lock-in

Признак: полная зависимость от одного провайдера.

Реальный пример: SaaS-компания на OpenAI API (100 000 ₽/мес). OpenAI поднял цены на 50%. Переключиться невозможно — слишком дорого. Смирились с +50 000 ₽/мес убытков.

Как избежать: abstraction layer между приложением и LLM. Стоимость: +2–4 недели разработки. Окупается за 4–8 месяцев.

Неправильно: App → OpenAI API (прямая зависимость)
Правильно:   App → LLM Service Layer → {GigaChat, OpenAI, Claude}

Антипаттерн 6: Нет мониторинга после запуска

Признак: система деградирует, никто не замечает.

Реальный пример: e-commerce — AI для категоризации товаров. Месяц 1: 95% accuracy. Месяц 3: 70% (никто не заметил). Клиенты не находят товары. Продажи упали на 15%.

Как избежать: мониторинг — часть разработки, не опция. Алерты: accuracy <80%, latency >5 сек, NPS падает. Еженедельный review dashboard.

Антипаттерн 7: Копирование западных подходов

Признак: взяли подход из TechCrunch и применили as-is в России.

Реальный пример: fintech-компания — OpenAI с English prompts для русских документов. Качество катастрофическое. 5 млн ₽ потрачено. Переделали на GigaChat + Russian fine-tuning — заработало.

Как избежать: тестировать на русских примерах первым делом. Учитывать морфологию, формальность, 152-ФЗ, культурный контекст.

Антипаттерн 8: Нет MVP

Признак: «полная система» вместо простого пилота.

Строят enterprise-решение 12 месяцев, вместо того чтобы за 4 недели проверить гипотезу на 50 примерах.

Как избежать: минимальный пилот → измерить → решить → масштабировать.

Антипаттерн 9: Неправильная метрика успеха

Признак: оптимизируем «число запросов к API», а не «экономию времени сотрудников».

Как избежать: выбрать бизнес-метрику (время/деньги/качество), а не техническую.

Антипаттерн 10: Нет feedback loop

Признак: система не совершенствуется после запуска.

Как избежать: систематический сбор обратной связи, процесс итеративного улучшения, выделенный человек (10–20% FTE).

Сводная таблица

Фреймворк восстановления

Если проект уже идёт не так:

flowchart TD
  A["Шаг 1: Честная диагностика<br/>Какой антипаттерн? Насколько плохо?"] --> B["Шаг 2: Быстрое решение<br/>Временные меры, human review"]
  B --> C["Шаг 3: Постоянное решение<br/>Переделать, установить практики"]
  C --> D["Шаг 4: Prevention<br/>Чек-лист для будущих проектов"]

Бонус: юридическая ответственность за AI

Реальный прецедент — Air Canada (2024): Чат-бот авиакомпании сообщил клиенту Джейку Моффатту, что тот может ретроактивно оформить скидку на билет по случаю утраты близкого. Такой политики не существовало. Air Canada попыталась снять ответственность, заявив, что чат-бот — «отдельная сущность, ответственная за свои действия». Суд (BC Civil Resolution Tribunal, Канада) отклонил этот аргумент: компания несёт полную юридическую ответственность за информацию, которую выдаёт её AI. Ущерб: $812 CAD (из них $650 — разница в стоимости билетов) — но прецедент создан. Источник: americanbar.org, cbc.ca, февраль 2024.

Чек-лист: «Не делайте так»

Проверьте перед запуском каждого AI-проекта:

• Выбран конкретный болезненный процесс, а не «AI вообще»
• Процесс проанализирован (process mining)
• Baseline-метрики измерены и документированы
• ROI рассчитан с реальными цифрами
• Scope ограничен (20% проблемы, не 100%)
• Протестировано на русских примерах
• Change management план создан
• Мониторинг запланирован
• Архитектура не зависит от одного vendor
• Feedback loop встроен в процесс

Ключевые выводы

• 70–80% AI-проектов underperform, и причина в 80% случаев — управление, не технология
• BCG-формула: 10% алгоритмы + 20% технология + 70% люди и процессы
• 10 антипаттернов: от «AI решит всё» до «нет feedback loop»
• Чек-лист из 10 пунктов — профилактика перед каждым проектом
• Лучше честно закрыть проект, чем тянуть sunk cost